O uso da inteligência artificial na predição de SAOS leve e de SAOS grave em crianças a partir de dados clínicos

Abstract

Introdução: A síndrome da apneia obstrutiva do sono (SAOS) em crianças caracteriza-se por episódios recorrentes de obstrução das vias aéreas superiores, levando a despertares frequentes, fragmentação do sono e dessaturação sanguínea, com repercussões comportamentais, carviovasculares, neurocognitivas e no crescimento. A classificação da gravidade, baseada em dados de polissonografia (PSG) de noite inteira, é essencial para o planejamento terapêutico. A inteligência artificial (IA) tem sido aplicada em diversas áreas médicas e pode auxiliar na identificação de SAOS infantil, especialmente em locais com restrição à PSG, como regiões com escassez de laboratórios do sono ou alta demanda assistencial. Objetivos: Avaliar a acurácia de algoritmos de aprendizado de máquina na classificação de SAOS leve/ausente versus moderada/grave em crianças, utilizando dados clínicos, exame físico, questionário OSA-18 e tempos de dessaturação. Metodologia: Foram analisados dados de 134 crianças (2–12 anos) submetidas à PSG (2015–2020). Utilizaram-se informações clínicas, exame físico, OSA-18 e tempo de saturação (90% e 85%). Testaram-se cinco algoritmos: Random Forest (RDF), Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), Gaussian Naive Bayes (GNB) e Regressão Logística (LR). O desempenho foi avaliado por acurácia, sensibilidade, especificidade, valores preditivos e F1-score. Resultados: Na análise inicial com todos os dados clínicos (n=134), a LR apresentou melhor desempenho (F1-score=0,66; acurácia=0,67). Com redução de variáveis (n=50), o RDF foi superior (F1-score=0,73; acurácia=0,74). Em análises subsequentes, LR (n=79; acurácia=0,71) e MLP (F1- score=0,70; especificidade=0,80) mostraram resultados consistentes. Com inclusão de dados clínicos, físicos e polissonográficos (n=134), a LR novamente se destacou (F1-score=0,76; acurácia=0,77). Na amostra reduzida (n=39), o SVM obteve melhor desempenho (F1-score=0,79; acurácia=0,80; especificidade=0,90). Conclusão: Modelos de IA, em especial LR e SVM, demonstraram boa acurácia para diferenciar SAOS leve/ausente de moderada/grave em crianças, configurando-se como ferramenta promissora em contextos com acesso restrito à PSG.

Introduction: Pediatric obstructive sleep apnea syndrome (OSA) is characterized by recurrent episodes of upper airway obstruction during sleep, resulting in fragmented sleep, frequent arousals, and oxygen desaturation. Accurate classification of OSA severity through full-night polysomnography (PSG) is essential for clinical management; however, access to PSG is limited in many settings. Artificial intelligence (AI) has emerged as a potential tool to support diagnostic decision-making and may help identify children at higher risk of clinically significant OSA. Objective: To evaluate the accuracy of machine learning algorithms in classifying children as mild/absent OSA versus moderate-to-severe OSA using clinical data, physical examination, OSA-18 scores, and oxygen desaturation metrics. Methods: Data from 134 children aged 2–12 years who underwent PSG (2015–2020) were analyzed. Clinical history, physical examination findings, OSA-18 questionnaire responses, and desaturation times below 90% and 85% were included. Five supervised machine learning models were tested: Random Forest (RF), Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), Gaussian Naive Bayes (GNB), and Logistic Regression (LR). Performance metrics included accuracy, sensitivity, specificity, predictive values, and F1-score. Feature selection analyses were conducted to test model behavior under reduced input conditions. Results: Using the full clinical dataset (n = 134), LR showed the best performance (F1 = 0.66; accuracy = 0.67). With reduced clinical features (n = 50), RF performed best (F1 = 0.73; accuracy = 0.74). Additional analyses demonstrated consistent performance for LR (accuracy = 0.71) and MLP (F1 = 0.70; specificity = 0.80). When combining clinical, physical, and PSG-derived parameters (n = 134), LR again achieved the highest performance (F1 = 0.76; accuracy = 0.77). In a reduced dataset integrating clinical, physical, and desaturation metrics (n = 39), SVM outperformed other models (F1 = 0.79; accuracy = 0.80; specificity = 0.90). Conclusion: Machine learning models—particularly LR and SVM—demonstrated good accuracy for distinguishing mild/absent from moderate-to-severe pediatric OSA. These models represent promising complementary tools for decision-making in resource-limited settings where PSG availability is restricted.